葡萄树对黄的耐药性表型:深度学习作为评估化和亡的有希望的工具

科学领域:

• 植物病理学 植物病理学
• 遗传学 遗传学 是一个
• 机器学习 机器学习

背景情况:

• 由Plasmopara viticola引起的菌严重影响欧洲的葡萄树,需要除了杀菌剂之外的可持续控制.
• 使用野生Vitis物种开发耐药葡萄品种对于持久的疾病管理至关重要.
• 识别新的抵抗位点是必不可少的,但目前的表型化方法是缓慢和劳动密集的.

研究的目的:

• 开发一种高通量机器学习表型化方法,用于评估葡萄藤对菌的耐药性.
• 使用图像分析和机器学习,准确量化疾病症状 (分泌和亡).
• 为了加快在葡萄品种育种计划中识别新的遗传抵抗位点.

主要方法:

• 使用OIV 452-1尺度 (分泌和亡) 感染P. viticola的葡萄树叶盘的注释图像.
• 训练有素的神经网络,包括Swin变压器编码器,以结合对尺度平凡性的先前知识.
• 开发了一个完整的图像处理管道,集成机器学习来描述症状.

主要成果:

• 斯温变压器编码器在评估葡萄藤菌耐药性方面取得了81.7%的准确性.
• 开发的模型准确地描述了疾病特征和差异化基因型,与人类观察者一致 (97%的准确性).
• 机器学习方法比手动视觉评估快650%,使得高通量表型化成为可能.

结论:

• 图像处理和机器学习的快速,自动化的管道有效地描述了葡萄藤菌症状.
• 这种方法克服了耗时,低通量和依赖专家的视觉评估的局限性.
• 这种方法可以适应在其他病理系统中使用叶片上的顺序尺度来评分疾病症状.